Tujuan Analisis

Analisis ini bertujuan untuk Memenuhi Tugas Besar Mata Kuliah Visualisasi Data yang diampu Oleh Bapak Dosen Deden Istiawan S.Kom M.Kom dan juga untuk memahami pola dalam dataset melalui visualisasi data. Dengan grafik univariat, bivariat, multivariat, dan interaktif, kita dapat mengidentifikasi tren serta hubungan antar variabel. Hasil analisis didokumentasikan di R Markdown dan dipublikasikan via GitHub Pages.

Alasan

Visualisasi Data

Import data

library(ggplot2)
library(plotly)
## 
## Attaching package: 'plotly'
## The following object is masked from 'package:ggplot2':
## 
##     last_plot
## The following object is masked from 'package:stats':
## 
##     filter
## The following object is masked from 'package:graphics':
## 
##     layout
library(dplyr)
## 
## Attaching package: 'dplyr'
## The following objects are masked from 'package:stats':
## 
##     filter, lag
## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union
library(readxl)

Data <- read.csv("Data.csv")
View(Data)

Grafik univarat(Histogram)

# Membuat histogram untuk melihat distribusi angka harapan hidup
ggplot(Data, aes(x = Angka_Harapan_Hidup)) +
  geom_histogram(binwidth = 2, fill = "#007bff", color = "white", alpha = 0.8) +
  labs(title = "Distribusi Angka Harapan Hidup", x = "Angka Harapan Hidup", y = "Frekuensi") +
  theme_minimal(base_size = 14)

Keterangan: Histogram ini menunjukkan distribusi angka harapan hidup di dataset, membantu memahami sebaran nilai dalam populasi.

Grafik Bivariat (Scatter Plot)

# Scatter plot untuk melihat hubungan antara pendapatan per kapita dan angka harapan hidup
ggplot(Data, aes(x = Pendapatan_per_kapita, y = Angka_Harapan_Hidup)) +
  geom_point(color = "#28a745", size = 3, alpha = 0.7) +
  labs(title = "Hubungan Pendapatan dan Harapan Hidup", x = "Pendapatan per Kapita", y = "Angka Harapan Hidup") +
  theme_minimal(base_size = 14)

Keterangan: Scatter plot ini menunjukkan hubungan antara pendapatan per kapita dan angka harapan hidup. Semakin tinggi pendapatan, angka harapan hidup cenderung meningkat.

Grafik Multivariat (Heatmap)

library(ggplot2)
library(reshape2)

# Data: Korelasi antar variabel
data_matrix <- Data %>% select(Angka_Harapan_Hidup, Pendapatan_per_kapita, Populasi, Jumlah_anak) %>% cor()

# Membuat data frame dari matriks korelasi
df <- melt(data_matrix)

# Membuat heatmap dengan ggplot2
ggplot(df, aes(x = Var1, y = Var2, fill = value)) +
  geom_tile() +
  scale_fill_viridis_c() +
  labs(title = "Heatmap Korelasi", x = "Variabel", y = "Variabel") +
  theme_minimal(base_size = 14)

Keterangan: Heatmap ini menunjukkan korelasi antar variabel dalam dataset. Warna yang lebih gelap menunjukkan korelasi yang lebih kuat antara variabel.


``` r
## Grafik Intraktif (Plotly)
library(ggplot2)
library(plotly)
library(RColorBrewer)

# Daftar benua
benua <- c("Asia", "Europe", "Africa", "North America", "South America", "Oceania", "Antarctica")

# Ganti rentang tahun menjadi dari 1800 hingga 2024
tahun <- 1800:2024

set.seed(123)
n <- length(benua) * length(tahun)  # Jumlah data per benua diperluas untuk setiap tahun dari 1800 hingga 2024

df <- data.frame(
  Pendapatan_per_kapita = rnorm(n, mean = 30000, sd = 10000),
  Angka_Harapan_Hidup = rnorm(n, mean = 70, sd = 10),
  benua = rep(benua, each = length(tahun)),
  tahun = rep(tahun, times = length(benua)),
  nilai = rnorm(n, mean = 50, sd = 10)
)

# Warna unik untuk setiap benua
warna_benua <- colorRampPalette(brewer.pal(12, "Paired"))(length(unique(df$benua)))

# Plot ggplot2
g <- ggplot(df, aes(x = Pendapatan_per_kapita, y = Angka_Harapan_Hidup, color = benua, size = nilai, frame = tahun)) +
  geom_point(alpha = 0.7) +
  scale_color_manual(values = warna_benua) +
  labs(title = "Interaktif: Hubungan Pendapatan per Kapita dan Angka Harapan Hidup Berdasarkan Benua dan Tahun",
       x = "Pendapatan per Kapita", y = "Angka Harapan Hidup") +
  theme_minimal(base_size = 14) +
  scale_size(range = c(1, 10))  # Atur ukuran titik sesuai nilai

# Konversi ke plotly
plot_interaktif <- ggplotly(g)

plot_interaktif

Keterangan: Scatter plot ini memungkinkan pengguna untuk mengeksplorasi hubungan antara pendapatan dan angka harapan hidup secara interaktif, termasuk melihat perbedaan berdasarkan benua.

Kesimpulan

  • Distribusi angka harapan hidup menunjukkan pola tertentu dengan kecenderungan tertentu.
  • Scatter plot mengindikasikan hubungan antara pendapatan dan angka harapan hidup, di mana negara dengan pendapatan lebih tinggi cenderung memiliki angka harapan hidup lebih tinggi.
  • Heatmap memperlihatkan korelasi antar variabel dalam dataset, membantu memahami hubungan antar faktor.
  • Visualisasi interaktif dengan Plotly memungkinkan eksplorasi data yang lebih mendalam.